一种超高性能混凝土自收缩预测方法、系统及电子设备

本发明属于混凝土性能预测及数据处理，具体涉及了一种超高性能混凝土自收缩预测方法、系统及电子设备。

背景技术：

1、超高性能混凝土通常具有胶凝材料用量较大、水胶比较低等特点，在硬化早期容易产生自收缩变形。自收缩变形可能使混凝土内部产生拉应力，并增加早期微裂纹及开裂风险，因此，对不同材料组分和养护条件下的超高性能混凝土自收缩值进行预测，对于配合比设计和自收缩性能分析具有重要意义。

2、现有超高性能混凝土自收缩值的获取主要依赖试件制备、养护和自收缩试验。该方式需要经历相应养护龄期才能获得实测数据，且当材料组分或养护工况发生变化时，通常需要重新开展试验，因而在多种配合比和多种养护工况下存在试验周期较长、数据获取成本较高以及难以全面覆盖不同参数组合的问题。

3、采用经验关系或统计回归关系预测自收缩值，可以在一定程度上减少重复试验，但超高性能混凝土的自收缩受到胶凝材料、骨料、拌合水、外加剂、纤维及养护龄期等多项参数共同影响，材料组分参数之间以及材料组分参数与养护龄期之间还可能存在复杂的非线性耦合关联。部分经验关系或单一数据预测模型对相邻输入特征之间的局部关联、输入特征序列两个方向的关联以及不同序列位置贡献差异的联合表达能力有限，在材料组分及养护工况发生变化时，预测结果的适应性仍有进一步改善空间。

4、此外，不同材料组分参数、养护参数和自收缩值具有不同的量纲和数值范围，异常样本及不同数据尺度可能影响预测参数的训练过程。如何对混凝土样本进行一致的数据处理，并联合提取标准化输入特征中的局部关联特征、双向序列特征及加权序列特征，进而得到能够用于待测材料组分参数和养护参数的自收缩预测值，是需要解决的技术问题。

技术实现思路

1、本发明旨在解决现有超高性能混凝土自收缩值获取依赖试验、不同材料组分参数之间以及材料组分参数与养护参数之间的非线性耦合关联难以被联合表征，以及异常样本和量纲差异容易影响预测网络训练的问题，提供一种超高性能混凝土自收缩预测方法、系统及电子设备。

2、本发明第一方面，提出了一种超高性能混凝土自收缩预测方法，包括：

3、采集混凝土样本，以材料组分参数和养护参数作为输入特征，以实测自收缩值作为输出值，标准化所述输入特征和所述输出值，得到标准化输入特征、标准化实测值及标准化参数；

4、构建由一维卷积网络、双向长短期记忆网络和多头注意力机制依次串联的预测网络；以一维卷积网络卷积并非线性映射所述标准化输入特征，得到局部特征序列；以双向长短期记忆网络编码所述局部特征序列，得到双向序列特征；以多头注意力机制加权所述双向序列特征，得到加权序列特征；

5、以所述加权序列特征产生标准化预测值，根据所述标准化预测值与所述标准化实测值的误差训练所述预测网络，得到预测参数；

6、以所述标准化参数将待测材料组分参数和养护参数转换为预测输入特征，将所述预测输入特征输入采用所述预测参数的所述预测网络，反标准化所述预测网络输出，得到自收缩预测值。

7、进一步的，每条混凝土试验记录对应一个混凝土样本，所述材料组分参数至少包括水泥用量、硅灰用量、粉煤灰用量、砂用量、拌合水用量、超塑剂用量、超吸水聚合物用量、膨胀剂用量、收缩减缓剂用量和钢纤维用量，所述养护参数至少包括养护龄期；

8、将同一混凝土样本的所述材料组分参数和所述养护参数按照预设次序排列，使各项材料组分参数和养护参数分别对应一个序列位置，形成与一个实测自收缩值对应的输入特征序列。

9、进一步的，所述标准化输入特征、所述标准化实测值和所述标准化参数，其计算方法为：

10、删除任一输入特征或输出值与同项均值之差的绝对值除以同项标准差后超过预设异常阈值的样本；

11、计算保留样本的每项输入特征和输出值的均值及标准差，将所述均值和所述标准差作为所述标准化参数；

12、将保留样本的每项数值减去同项均值后除以同项标准差，得到所述标准化输入特征和所述标准化实测值；

13、将同一样本的所述标准化输入特征和所述标准化实测值组合为标准化样本，按照预设比例随机划分为训练集和测试集，以所述训练集训练所述预测网络，以所述测试集检验采用所述预测参数的所述预测网络。

14、进一步的，所述一维卷积网络的具体处理方法为：

15、将所述标准化输入特征按照预设次序排列为输入特征序列，并输入多个依次串联的一维卷积层；

16、每个一维卷积层对输入执行一维卷积，得到通道响应，对所述通道响应执行批量归一化并将负值置零；

17、除末个一维卷积层外，将每个一维卷积层的处理结果输入下一个一维卷积层，将末个一维卷积层的处理结果作为所述局部特征序列。

18、进一步的，所述双向长短期记忆网络的具体处理方法为：

19、沿所述局部特征序列由首项至末项更新正向长短期记忆状态，由末项至首项更新反向长短期记忆状态；

20、拼接同一序列位置的所述正向长短期记忆状态和所述反向长短期记忆状态，对拼接结果执行随机失活，得到所述双向序列特征。

21、进一步的，所述加权序列特征和所述标准化预测值，其计算方法为：

22、在多个注意力头内分别对所述双向序列特征进行查询投影、键投影和值投影，得到查询矩阵、键矩阵和值矩阵；

23、将每个注意力头的所述查询矩阵与所述键矩阵的转置相乘并除以键向量维数的平方根，对相除结果应用归一化指数函数，得到注意力权重；

24、以所述注意力权重加权所述值矩阵，拼接各注意力头的加权结果并执行线性映射，得到所述加权序列特征；沿序列位置维度对所述加权序列特征执行全局平均池化，得到定长特征向量；将所述定长特征向量依次输入第一全连接层和第二全连接层，得到所述标准化预测值。

25、进一步的，所述预测参数，其计算方法为：

26、以所述训练集中的标准化样本作为训练样本，以所述测试集中的标准化样本作为早停监测样本；

27、计算训练样本的所述标准化预测值与所述标准化实测值之差的平方均值，得到损失值；

28、计算所述损失值的梯度，当梯度范数超过预设裁剪阈值时，按所述预设裁剪阈值与所述梯度范数之比缩放梯度；

29、采用自适应矩估计优化器，以缩放后的梯度或未超过所述预设裁剪阈值的梯度更新所述预测网络的参数；

30、在每轮参数更新后根据所述早停监测样本计算监测损失，当所述监测损失连续预设轮数未降低时停止更新，将所述监测损失最小时的预测网络参数作为所述预测参数。

31、进一步的，所述预测输入特征和所述自收缩预测值，其计算方法为：

32、所述标准化参数包括每项输入特征和输出值的均值及标准差；

33、将每项待测材料组分参数和养护参数减去同项输入特征的均值后除以同项输入特征的标准差，得到所述预测输入特征；

34、将所述预测网络输出的标准化预测值乘以输出值的标准差并加上输出值的均值，得到所述自收缩预测值。

35、本发明第二方面，提出了一种超高性能混凝土自收缩预测系统，包括：

36、数据处理模块，配置为采集混凝土样本，以材料组分参数和养护参数作为输入特征，以实测自收缩值作为输出值，标准化所述输入特征和所述输出值，得到标准化输入特征、标准化实测值及标准化参数；

37、预测网络模块，配置为构建由一维卷积网络、双向长短期记忆网络和多头注意力机制依次串联的预测网络；以一维卷积网络卷积并非线性映射所述标准化输入特征，得到局部特征序列；以双向长短期记忆网络编码所述局部特征序列，得到双向序列特征；以多头注意力机制加权所述双向序列特征，得到加权序列特征；

38、训练模块，配置为以所述加权序列特征产生标准化预测值，根据所述标准化预测值与所述标准化实测值的误差训练所述预测网络，得到预测参数；

39、预测模块，配置为以所述标准化参数将待测材料组分参数和养护参数转换为预测输入特征，将所述预测输入特征输入采用所述预测参数的所述预测网络，反标准化所述预测网络输出，得到自收缩预测值。

40、本发明第三方面，提出了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面所述的超高性能混凝土自收缩预测方法。

41、本发明的有益效果：

42、本发明对混凝土样本中的材料组分参数、养护参数和实测自收缩值进行异常样本删除及标准化处理，并保存各项输入特征和输出值对应的标准化参数，因此能够降低异常数据及不同量纲对预测网络训练的影响，使训练阶段与预测阶段采用一致的数据尺度和字段次序。

43、本发明预测网络将一维卷积网络、双向长短期记忆网络和多头注意力机制依次串联，一维卷积网络提取标准化输入特征中的局部关联特征，双向长短期记忆网络从两个相反方向编码局部特征序列，多头注意力机制根据不同序列位置之间的关联形成注意力权重，因此能够联合表征材料组分参数和养护参数之间的局部关联、双向序列关联及不同序列位置的贡献差异。

44、本发明根据标准化预测值与标准化实测值之间的均方误差训练预测网络，并在梯度范数超过预设裁剪阈值时按比例裁剪梯度，因此能够限制异常梯度对可训练参数更新过程的影响，降低训练过程中出现梯度数值过大的可能性。

45、本发明采用自适应矩估计优化器更新可训练参数，并根据早停监测样本对应的监测损失实施早停，将监测损失最低时的预测网络参数作为预测参数，因此能够在训练过程中保留与早停监测样本相适应的预测参数，减少继续训练造成监测损失增加的情形。

46、本发明的待测材料组分参数和养护参数采用与训练阶段相同的标准化参数转换为预测输入特征，并对预测网络输出的标准化预测值进行反标准化，因此能够将网络输出恢复至实测自收缩值对应的量纲，直接形成与待测材料组分参数和养护参数对应的自收缩预测值。